**Title** Triple‑basierte Embeddings verbessern Cluster Klassifikation wissenschaftlicher Texte

**Summary** Triple‑Embeddings bezeichnet die Fusion von drei unterschiedlichen Informationsquellen—Textinhalte, bibliografische Metadaten und Zitationsbeziehungen—zu einer einzigen Vektor‑Repräsentation. In dieser Studie sammeln die Autoren einen umfangreichen Korpus peer‑reviewter Artikel aus verschiedenen wissenschaftlichen Disziplinen. Für jedes Dokument erzeugt ein transformer‑basierter Sprachmodell‑Encoder einen dichten Text‑Embedding; ein Graph‑Neural‑Network kodiert das Zitationsnetzwerk; und ein einfacher Feed‑Forward‑Netz transformiert die Metadaten (Autoren, Zeitschrift, Jahr) in einen Vektor. Die drei Vektoren werden concatenated und durch ein leichtgewichtiges MLP geleitet, das gleichzeitig für die Klassifikation von Artikeltiteln und einen kontrastiven Verlust optimiert, der ähnliche Arbeiten im Embedding‑Raum zusammenbringt. Die Autoren evaluieren die resultierenden „Triple‑Embeddings“ an zwei Down‑stream‑Aufgaben. Erstens führen sie eine unüberwachte Cluster‑Analyse durch und berichten Silhouette‑Scores sowie Adjusted Rand Indices. Zweitens trainieren sie einen linearen Klassifikator auf einem hold‑out‑Test‑Set und geben Accuracy sowie macro‑F1 an. In beiden Fällen übertreffen die Triple‑Embeddings die aus einer einzelnen Modalität gewonnenen Embeddings um 8–12 % bei Cluster‑Metriken und um 5–7 % bei Klassifikationsmetriken. Eine Ablationsstudie zeigt, dass jede Modalität komplementäre Informationen liefert: Das Entfernen des Zitationsnetzwerks führt zum stärksten Leistungsverlust, gefolgt von Metadaten und Text. Die Arbeit schließt, dass die Integration mehrerer Modalitäten reichhaltigere Repräsentationen erzeugt, die die vielschichtige Natur wissenschaftlicher Literatur besser erfassen. Solche Embeddings können Empfehlungssysteme, Literatur­suche und die Entdeckung von Wissensnetzwerken in digitalen Bibliotheken verbessern. Zukünftige Arbeiten werden die Skalierbarkeit auf größere Korpora und die Einbindung zusätzlicher Signale wie Abbildungen und Tabellen untersuchen.